年轻人往往最有可能“出奇制胜”——2017年4月12日发表于 PLoS Computational Biology 的一篇论文指出，25岁时的随机行为能力达到巅峰，从而展现出最强的创造力。
大脑处理视觉、听觉和其他感官信息，并经过可能性运算后做出决定。至少，很多顶尖的心理过程理论指出，大脑这一人体的主宰器官会以过往经验为基准形成了一套内在模型，预测接下来的最佳行为。然而研究表明，在同样条件下遇到同一问题，人以及其他动物都可能会做出不同的选择，这种波动往往被归因于“噪音”——系统中的一个偏差。
但并非所有人都认可这种结论。毕竟，有时我们确实会受益于随机行为。当被捕食者的行为难以预测时，它更容易逃脱捕食者的追捕，因此它的决策机制要更加多样化。或者在不稳定的环境下，之前的经验不足以准确指导下一步的行动时，动物可以通过这种复杂的行为探索更多选择，增加找到正确应对方式的概率。2014年发表于 Cell 的一项研究表明，当老鼠发现非随机行为无法胜过计算机算法时，它们会选择随机行为。这种改变可不能简单地归结于噪音。正好相反，它在大脑运作过程中扮演了关键角色。
2017年4月12日，巴黎 LABORES 自然和数字科学科研实验室（LABORES Scientific Research Lab for the Natural and Digital Sciences）的自然算法组于 PLoS Computational Biology 发表论文，这些研究者希望阐明这种复杂性如何在人类身上体现。这篇论文的作者之一、计算机科学家 Hector Zenil 说：“研究人员发现，当老鼠试图表现随机行为时（2014年论文），它们在计算如何行动。这种计算就是我们这项研究想要探索的。”Zenil 的团队发现，平均来说，人类产生随机行为的能力巅峰在25岁，之后会一直缓慢递减直到60岁，开始迅速下滑。
为得出这一结论，研究人员找到3400多名4~91岁的受试者，进行了一种“反向图灵测试”。（译注：图灵测试指测试者在与被测试者隔开的情况下向被测试者随意提问，通过被测试者回答判断其是人还是机器。）Zenil 说，他们用这种方法来判定人能否在产生和识别随机行为上战胜计算机。测试包括：编造一系列抛硬币、掷骰子的序列，让旁人以为是随机的；猜测从一副洗好的牌中抽出的是哪一张；从屏幕上选出圆圈、从网格中选出颜色，组成看起来随机的图案。
为分析这些结果，该研究组评估了用计算机算法生成相同结果的可能性，以尽可能短的算法模拟受试者的选择，通过评估算法的复杂度，量化受试者行为的随机性水平。换句话说，一个人的行为随机性越强，就越难以用数学方法描述他或她的反应，相应的算法就会越长。如果一个序列是真正随机的，其数据将完全不可能压缩，它将与原始序列的长度相同。
通过控制变量（语言、性别、教育程度等）测试，研究者发现年龄是影响行为随机程度的唯一因素。“在25岁时，人在这些随机行为上可以胜过计算机。”Zenil 说。他还补充道，其发展轨迹符合科学家对认知能力高峰的预测。事实上，行为的复杂性和随机性基于认知功能的注意力、抑制力和工作记忆力（这也包含在该研究的五个项目里）——尽管这种关系的真正机理还不明确。“在25岁左右，思维最活跃。”Zenil 认为这其中有生物学意义：自然选择更倾向于在重要的繁殖年间获得最好的随机行为能力。
不仅如此，这项研究结果还可能用于理解人类的创造性。毕竟，创造力主要指开发新途径和尝试不同结果的能力。Zenil 说：“这测试了行为多样性依据。因此，人在25岁时最有展现创造力的资本。”
先前的研究显示随机行为能力随年龄下降，而 Zenil 的发现佐证了这一观点。但后者是第一个使用算法途径来测量复杂性的研究，也是第一个在全年龄段进行的研究。未参与该研究的瑞典 Mälardalen 大学计算机科学家 Dodig-Crnkovic 说：“早先的研究只针对青年人和老年人，通过冗长的反应测试，获得重复率等特定指标的统计结果，而这次的研究更进一步。”Zenil 的团队并未使用统计学方法，而是用算法判定随机程度，从而测得了真正的随机行为，而非统计学行为或伪随机行为。后两者的数据可以满足随机统计测试，但并不像真正的随机数据一样“不可压缩”。算法能力随年龄变化，这一事实意味着大脑在本质上是算法的——它不认为世界是统计学随机的，而是采取了更一般化的方法，并没有传统的大脑统计模型中存在的偏差。
这些结果可能会拓宽对大脑运作机制的研究思路：大脑可能是一个算法概率预测器（algorithmic probability estimator）。一些流行理论中存在的决策统计模型偏差，将会为这一新理论所更新乃至推翻。其中一种著名的理论是贝叶斯脑假说，该理论认为，大脑会为每种想法分配一个概率，每当感官收到新的信息时，就对这一概率进行修改。“大脑是高度算法的，” Zenil 说。“它的行为不随机，不像投掷硬币的机制。”他补充说，如果仅利用统计方法而忽略算法方法，我们对大脑的理解会很片面。举例来说，统计方法不能解释为什么我们可以记住电话号码等数字序列，就像“246-810-1214”，这只是一串数字，毫无统计意义，但它有算法意义。我们可以识别其模式并以此记住这组数字。
算法概率还使我们更易找到（并压缩）看似随机的信息。“这是一个范式转移（paradigm shift），”Zenil 说，“因为即使大多数研究者都认同在头脑运作的方式中存在这个算法组件，我们也无法测量它，因为我们没有合适的工具。不过我们现在已经在研究中开发并引入了。
Zenil 和他的团队计划继续探索人类算法复杂度，并希望发现行为随机性与年龄之间关系的认知机制。不过，他们首先计划以确诊患有神经退行性疾病和精神紊乱的人（如阿尔茨海默氏症和精神分裂症）为对象展开研究。据Zenil 估计，确诊有这类疾病的参与者不会像对照组中的参与者一样，产生或感知随机性，因为他们经常会产生更多的联想，并能比普通人观察到更多的模式。
这些研究人员已蓄势待发。 Dodig-Crnkovic 说：“他们在复杂度上的研究，是一个很有前途的研究方向。”
责编：科普知识网